UC Berkeley 提出多裁判集成 RaRE，让 LLM 评分更稳定地驱动 RL 训练

UC Berkeley 团队提出 RaRE，通过置信度加权和剔除高分歧 rollout，提升多裁判集成的 LLM 评分稳定性，并用其驱动 RL 训练。实验以 Qwen3-4B-Base 在 RaR-Medicine 与 RaR-Science 上训练，考察 5 个前沿与开源裁判；RaRE 在 HealthBench 和 GPQA Diamond 上超过所有单裁判变体。